1.一种基于深度学习的激光惯性里程计优化方法，其特征在于，包括：S1、对惯性传感器数据进行运动分类，并基于运动分类结果完成惯性传感器可用度评估；

S2、基于深度学习对激光点云进行分类分割与可用度评估，具体是：采用PointNet++模型对预处理后的激光点云数据进行处理，通过多分辨率特征学习方法捕获点云数据中的不同尺度的特征，并通过可变形卷积模块对点云数据进行局部区域建模；然后由特征池化方法对全局特征进行聚合，对整个点云进行分类分割，根据分类分割结果及全局特征分布情况完成对激光点云的可用度评估；

S3、基于惯性传感器、激光点云可用度信息，通过MLP模型生成并调整系统整体误差函数中各残差函数权重，获取系统整体位姿误差函数最小时的取值，最终得到系统整体最优位姿估计，完成激光惯性里程计优化。

2.根据权利要求1所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，步骤S1是通过SENet+模型对预处理后的惯性传感器数据进行运动分类，在特征提取的过程中，通过增强特征映射通道间的交互信息，由注意力机制模块放大其中相对突出的活动数据，滤除背景信息中不相关的干扰噪声，实现对惯性传感器信息样本的运动分类。

3.根据权利要求2所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，采用SENet+模型进行运动分类的具体过程如下：首先，通过压缩操作，采用全局平均池化方法将一个通道上的所有空间特征编码获取其全局描述特征，其数学表达式如下：，

其中 为通道平均值， 为计算平均值函数， 和 分别为图像的高度和宽度，为图像中第 行第 列像素在通道上的值；

然后，通过激活操作抓取各通道间非线性关系，其数学表达式如下：，

其中，表示学习到的激励向量，其维度与输入特征图的通道数相同，表示Sigmoid激活函数，表示ReLU激活函数，表示输入特征图， 、 分别是两个全连接层的权重矩阵；

输出权重即为每个特征通道的重要程度，并将各权重逐通道加权到先前的特征上，在通道维度上完成对原始特征的重标定，该过程数学表达式如下：，

其中 为输入特征图中的通道， 为特征图 和标量 之间的通道乘法，为该通道上的所有像素值， 为该通道的缩放因子。

4. 根据权利要求2所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，步骤S1是通过ResNet‑GRU混合模型对预处理后的惯性传感器数据进行可用度评估，具体为：在运动分类信息的基础上，基于不同运动状态分别评估惯性传感器信息的精度和稳定性，通过ResNet 网络捕捉惯性传感器数据中的局部相关特征，学习并提取输入数据中隐含的运动特征信息，同时GRU神经网络通过接收ResNet网络的特征片段，进一步挖掘惯性数据的时序特征，并将模型提取到的特征全部输入到全连接层中，完成惯性传感器在不同运动状态下数据精度及稳定性的评估。

5.根据权利要求4所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，ResNet网络核心为跨层连接，网络输出的表达式如下：，

其中，为输入， 为残差映射函数， 为输入到输出的残差映射；当输入与输入到输出的残差映射间通道维度相同时，在同一通道的同一位置将数值直接相加，当维度不同时，通过线性映射完成匹配。

6.根据权利要求5所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，ResNet网络为ResNet50，由一个卷积层、十六个三层结构结构块及一个全连接层组成；

GRU神经网络的核心模块为更新门和重置门，更新门决定上一时刻的状态变量被带入当前状态的程度，重置门控制上一时刻的信息被写入当前候选集的量，其前向传播表达式如下：，

其中， 为输入向量， 为上一时刻记忆状态变量， 为当前时刻记忆状态变量，为重置门状态， 为更新门状态， 为当前候选集状态， 为当前时刻输出向量，分别表示重置门、更新门、候选集、输出向量的权重参数，sigmoid函数为重置门与更新门的激活函数，tanh函数为记忆门的激活函数。

7.根据权利要求3所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，步骤S2中，所述采用PointNet++模型对预处理后的激光点云数据进行处理，通过多分辨率特征学习方法捕获点云数据中的不同尺度的特征，具体是：采用Set Abstraction层通过对整个点云进行局部采样并划出一个范围，将范围中的点作为局部特征，用PointNet进行特征提取，通过多次操作减少点的数量并提高每个点所包含的局部特征信息；所述由特征池化方法对全局特征进行聚合，对整个点云进行分类分割，具体是：通过逆距离权重法对点云进行分割，将点云提取一个全局特征并通过这个全局特征逐步上采样，完成对激光点云的分类分割；

其中，逆距离权重法表达式如下：

，

其中， 为点 的特征向量，为点云中的点数， 为第 个点的特征向量， 为点 与第 个点之间的权重， 为点 与第 个点之间的距离。

8.根据权利要求1所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，步骤S3包括如下步骤：S301、基于惯性传感器、激光点云可用度信息，通过MLP模型生成系统整体位姿误差函数中各残差函数权重 、 、 ；

S302、将激光线特征残差函数 、激光面特征残差函数 、惯性传感器预积分残差函数 分别加入由S301获取到的各残差函数对应权重，构建系统整体位姿误差函数，其数学表达式如下：，

S303、MLP模型基于惯性传感器、激光点云可用度评估信息，自主调整在不同环境下各残差函数对系统整体位姿误差函数的影响；

S304、通过非线性最小二乘优化方法获取系统整体位姿误差函数最小时 X 的取值，最终得到系统整体最优位姿估计，完成激光惯性里程计优化；

S305、将优化后的激光惯性里程计定位信息用于点云地图构建。

9.根据权利要求8所述的一种基于深度学习的激光惯性里程计优化方法，其特征在于，步骤S302中，激光线特征残差函数、激光面特征残差函数、惯性传感器预积分残差函数具体构建方法如下：（1）激光特征残差函数构建：

通过激光点云曲率计算结果提取激光点云中的特征点，根据曲率大小对特征点进行筛选，与预设曲率阈值相比较，其中曲率大的为角特征点，曲率小的为面特征点；其数学表达式如下：，

其中，为以点 为中心构成的点云集， 和 分别是 中的点；

将角特征点在不同线束的点云中选取最近一点构成线特征，将面特征点从相同线束和不同线束的点云中各选取最近的一点构成面特征；

通过计算当前帧点云中的角特征点到上一帧点云线特征直线的距离 构成线约束，其数学表达式如下：，

通过计算当前帧点云中的面特征点到上一帧点云的面特征平面的距离 构成面约束，其数学表达式如下：，

其中， 表示当前帧上的点 在上一帧点云坐标系下的位置，分别表示上一帧点云中的各点的位置；

（2）惯性传感器预积分残差函数构建：

对当前帧与上一帧间惯性传感器的状态进行积分，获取世界坐标系下的当前帧姿态、速度和位置；状态转移数学表达式如下：，

其中， 为k时刻IMU在世界坐标系下的位置， 为k+1时刻IMU在世界坐标系下的位置， 为k时刻IMU在世界坐标系下的速度， 为k+1时刻IIMU在世界坐标系下的速度， 为前一帧到当前帧间时间间隔， 为t时刻IMU的姿态， 为k+1时刻IMU的姿态，为t时刻IMU在IMU坐标系下的加速度， 为t时刻IMU在IMU坐标系下的角速度， 为重力加速度在世界坐标系下的表示；

通过 ，将状态转移公式转化为预积分模型公式，其数学表达式如下：

，

其中 为k‑1时刻IMU的姿态， 为k‑1时刻到t时刻之间IMU的姿态变化， 为四元数的乘法运算；

分别表示前一帧到当前帧的位置、速度和姿态预积分量，其数学表达式如下：

，

其中 为系统加速度， 为上一个时刻的时间， 为当前时刻的时间， 为下一个时刻的时间；

对两帧之间状态进行约束，惯性传感器预积分残差数学表达式如下：，

其中， 分别表示位置、姿态、速度、加速度偏置和角速度偏置的残差， 为从世界坐标系到IMU坐标系的旋转四元数， 、 分别代表当前时刻和上一个时刻的加速度偏差， 、 分别代表当前时刻和上一个时刻的角速度偏差。

10.一种电子系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述优化方法的步骤。